คำถามติดแท็ก bayesian

หากความสนใจเป็นเพียงการประมาณค่าพารามิเตอร์ของแบบจำลอง (การประมาณค่าแบบจุดและ / หรือช่วงเวลา) และข้อมูลก่อนหน้านี้ไม่น่าเชื่อถืออ่อนแอ (ฉันรู้ว่านี่เป็นบิตที่คลุมเครือ แต่ฉันพยายามสร้างสถานการณ์ที่เลือก ก่อนหน้านี้เป็นเรื่องยาก) ... ทำไมบางคนเลือกที่จะใช้วิธีการแบบเบย์กับนักบวชที่ไม่เหมาะสมแทนที่จะเป็นแบบดั้งเดิม

44 bayesian  inference  prior  likelihood  information 

การคัดค้านการใช้วิธีการทางสถิติแบบเบย์ในบริบทใดบ้าง ไม่ฉันไม่ได้หมายถึงความห่วงใยในการเลือกก่อนหน้า ฉันยินดีหากไม่ได้รับคำตอบ

44 bayesian 

ตกลงนี่เป็นคำถามที่ทำให้ฉันตื่นขึ้นมาในตอนกลางคืน ขั้นตอนการบู๊ตสแตรปสามารถตีความได้ว่าใกล้เคียงกับโพรซีเดอร์แบบเบย์บางอย่าง (ยกเว้นเบย์แบบสแตรปบูต) ฉันชอบ "การตีความ" ของสถิติแบบเบย์ซึ่งฉันพบว่าสอดคล้องกันและเข้าใจง่าย อย่างไรก็ตามฉันมีจุดอ่อนสำหรับโพรซีเดอร์ bootstrap ซึ่งง่ายมาก แต่ให้ข้อสรุปที่สมเหตุสมผลในหลาย ๆ สถานการณ์ ฉันจะมีความสุขมากขึ้นกับ bootstrapping แต่ถ้าฉันรู้ว่า bootstrap นั้นประมาณการกระจายด้านหลังในบางแง่ ฉันรู้ว่า "Bayesian bootstrap" (Rubin, 1981) แต่จากมุมมองของฉันว่า bootstrap เวอร์ชันนั้นมีปัญหาเช่นเดียวกับ bootstrap มาตรฐาน ปัญหาคือสมมุติฐานที่แปลกประหลาดจริง ๆ ที่คุณทำทั้งในขณะที่ทำ bootstrap แบบคลาสสิคและแบบเบย์นั่นคือค่าที่เป็นไปได้ของการแจกแจงนั้นเป็นเพียงค่าที่ฉันเคยเห็นมาแล้วเท่านั้น สมมติฐานของตัวแบบจำลองแปลก ๆ เหล่านี้ยังคงให้ผลการอนุมานที่สมเหตุสมผลซึ่งโพรซีเดอร์บูทสแตรปให้ผลอย่างไร? ฉันกำลังมองหาบทความที่ตรวจสอบคุณสมบัติของ bootstrap (เช่น Weng, 1989) แต่ฉันไม่พบคำอธิบายที่ชัดเจนว่าฉันมีความสุข อ้างอิง โดนัลด์บี. รูบิน (1981) รองเท้าบู๊ทเบย์ แอน statist เล่มที่ 9, …

43 bayesian  bootstrap 

ฉันจะล้วงแจกแจงก่อนหน้านี้จากผู้เชี่ยวชาญเมื่อปรับรุ่นแบบเบย์ได้อย่างไร

42 bayesian  prior  elicitation 

ฉันเห็นแนวคิดของ 'การแลกเปลี่ยนได้' ที่ใช้ในบริบทต่าง ๆ (เช่นตัวแบบเบย์) แต่ฉันไม่เคยเข้าใจคำศัพท์นี้ดีนัก แนวคิดนี้มีความหมายว่าอย่างไร? แนวคิดนี้ถูกเรียกใช้ในสถานการณ์ใดและเพราะเหตุใด

41 bayesian  intuition  exchangeability 

ฉันไม่ได้กำลังมองหาวิธีแบบพลักแอนด์เพลย์อย่างดีที่สุดในอาร์ แต่เป็นคำอธิบายทางคณิตศาสตร์ของวิธีเบย์บางอย่างที่ฉันสามารถใช้เพื่อทดสอบความแตกต่างระหว่างค่าเฉลี่ยของตัวอย่างสองตัวอย่าง

39 hypothesis-testing  bayesian  t-test 

ในการวิเคราะห์ข้อมูลแบบเบย์พารามิเตอร์จะถือว่าเป็นตัวแปรสุ่ม สิ่งนี้เกิดจากแนวคิดเรื่องความน่าจะเป็นแบบเบย์แบบอัตนัย แต่ Bayesians ในทางทฤษฎียอมรับว่ามีค่าคงที่ที่แท้จริงเพียงค่าเดียวใน 'โลกแห่งความจริง' ดูเหมือนว่าคำตอบที่ชัดเจนคือ 'ใช่' เพราะจากนั้นพยายามประเมินพารามิเตอร์เกือบจะไร้สาระ การอ้างอิงทางวิชาการสำหรับคำตอบนี้จะได้รับการชื่นชมอย่างมาก

39 probability  bayesian  parameterization 

ในสถิติที่ใช้บ่อยมีการเชื่อมต่ออย่างใกล้ชิดระหว่างช่วงความมั่นใจและการทดสอบ ใช้การอนุมานเกี่ยวกับในการแจกแจงเป็นตัวอย่างช่วงเวลาความเชื่อมั่น มีค่าทั้งหมดของที่ไม่ได้ปฏิเสธโดย -test ที่ระดับนัยสำคัญ\N ( μ , σ 2 ) 1 - α ˉ x ± เสื้อα / 2 ( n - 1 ) ⋅ s / √μμ\muไม่มี( μ , σ2)ยังไม่มีข้อความ(μ,σ2)\rm N(\mu,\sigma^2)1 - α1-α1-\alpha μtαx¯± tα / 2( n - 1 ) ⋅ s / n--√x¯±เสื้อα/2(n-1)⋅s/n\bar{x}\pm t_{\alpha/2}(n-1)\cdot s/\sqrt{n}μμ\muเสื้อเสื้อtαα\alpha ช่วงความเชื่อมั่นบ่อยครั้งอยู่ในการทดสอบแบบคว่ำนี้ …

38 hypothesis-testing  bayesian  confidence-interval  frequentist  credible-interval 

ใครสามารถให้บทสรุปที่ดีเกี่ยวกับความแตกต่างระหว่าง Bayesian กับแนวทางความน่าจะเป็นที่เกิดขึ้นเป็นประจำ จากสิ่งที่ฉันเข้าใจ: มุมมองผู้ใช้บ่อยคือข้อมูลเป็นตัวอย่างแบบสุ่มที่ทำซ้ำได้ (ตัวแปรสุ่ม) ที่มีความถี่ / ความน่าจะเป็นเฉพาะ (ซึ่งถูกกำหนดให้เป็นความถี่สัมพัทธ์ของเหตุการณ์เมื่อจำนวนการทดลองเข้าใกล้อนันต์) พารามิเตอร์พื้นฐานและความน่าจะเป็นยังคงที่ในระหว่างกระบวนการทำซ้ำนี้และการเปลี่ยนแปลงนั้นเกิดจากความแปรปรวนในและไม่ใช่การแจกแจงความน่าจะเป็น (ซึ่งได้รับการแก้ไขสำหรับเหตุการณ์ / กระบวนการที่แน่นอน)XnXnX_n มุมมองแบบเบย์คือข้อมูลได้รับการแก้ไขในขณะที่ความถี่ / ความน่าจะเป็นสำหรับเหตุการณ์บางอย่างสามารถเปลี่ยนได้ซึ่งหมายความว่าพารามิเตอร์ของการกระจายการเปลี่ยนแปลง ผลข้อมูลที่คุณได้รับการเปลี่ยนแปลงการกระจายก่อนหน้าของพารามิเตอร์ที่ได้รับการปรับปรุงสำหรับชุดข้อมูลแต่ละชุด สำหรับฉันดูเหมือนว่าวิธีปฏิบัติบ่อยครั้งนั้นใช้งานได้จริง / มีเหตุผลมากกว่าเพราะมันสมเหตุสมผลว่าเหตุการณ์มีความเป็นไปได้ที่เฉพาะเจาะจงและการเปลี่ยนแปลงนั้นอยู่ในการสุ่มตัวอย่างของเรา นอกจากนี้การวิเคราะห์ข้อมูลส่วนใหญ่จากการศึกษามักจะทำโดยใช้วิธีการแบบประจำ (เช่นช่วงความมั่นใจการทดสอบสมมติฐานด้วยค่า p ฯลฯ ) เนื่องจากสามารถเข้าใจได้ง่าย ฉันแค่สงสัยว่าจะมีใครสรุปสรุปการตีความของพวกเขาเกี่ยวกับวิธีการแบบเบส์ vs บ่อยครั้งหรือไม่รวมถึงค่าทางสถิติแบบเบส์ของค่า p-value และช่วงความมั่นใจ นอกจากนี้ตัวอย่างที่เฉพาะเจาะจงของวิธีการที่ 1 จะได้รับการชื่นชมมากกว่าวิธีอื่น ๆ

37 probability  bayesian  frequentist 

ในฐานะคนนอกดูเหมือนว่ามีสองมุมมองการแข่งขันว่าควรทำการอนุมานทางสถิติอย่างไร ทั้งสองวิธีที่แตกต่างกันทั้งสองพิจารณาว่าถูกต้องโดยนักสถิติการทำงาน? การเลือกคำถามหนึ่งถือเป็นคำถามเชิงปรัชญามากกว่านี้หรือไม่? หรือสถานการณ์ปัจจุบันถือเป็นปัญหาและมีความพยายามที่จะรวมวิธีการต่าง ๆ เข้าด้วยกัน?

37 bayesian  frequentist 

บทความ " The Odds, อัพเดทอย่างต่อเนื่อง" จาก NY Timesเกิดขึ้นเพื่อดึงดูดความสนใจของฉัน จะสั้นก็กล่าวว่า [สถิติแบบเบย์] พิสูจน์ให้เห็นแล้วว่ามีประโยชน์อย่างยิ่งในการเข้าถึงปัญหาที่ซับซ้อนรวมถึงการค้นหาเช่น Coast Guard ที่ใช้ในปี 2013 เพื่อค้นหาชาวประมงที่ขาดหายไป John Aldridge (แม้ว่าจะยังไม่ถึงตอนนี้ก็ตาม ...... สถิติแบบเบย์กำลังกระเพื่อมผ่านทุกสิ่งตั้งแต่ฟิสิกส์จนถึงการวิจัยมะเร็งนิเวศวิทยาจนถึงจิตวิทยา ... ในบทความนี้ยังมีการวิพากษ์วิจารณ์เกี่ยวกับค่า p ของผู้ถี่ประจำเช่น: ผลลัพธ์มักจะถูกพิจารณาว่า“ มีนัยสำคัญทางสถิติ” ถ้าค่า p น้อยกว่า 5 เปอร์เซ็นต์ แต่มีอันตรายในประเพณีนี้ Andrew Gelman ศาสตราจารย์ด้านสถิติของโคลัมเบียกล่าว แม้ว่านักวิทยาศาสตร์จะทำการคำนวณอย่างถูกต้องเสมอ - และพวกเขาไม่ทำเขาให้เหตุผล - ยอมรับทุกสิ่งด้วยค่า p-value 5 เปอร์เซ็นต์ซึ่งหมายความว่าหนึ่งใน 20 ของผลลัพธ์“ นัยสำคัญทางสถิติ” ไม่มีอะไรเลยนอกจากเสียงรบกวนแบบสุ่ม นอกจากนี้ข้างต้นบางทีกระดาษที่มีชื่อเสียงที่สุดที่วิจารณ์ p-value …

36 hypothesis-testing  statistical-significance  bayesian  p-value  reproducible-research 

ในอัลกอริทึมแบบจำลองหัวข้อ LDA ฉันเห็นสมมติฐานนี้ แต่ฉันไม่รู้ว่าทำไมจึงเลือกการกระจาย Dirichlet ฉันไม่รู้ว่าเราสามารถใช้การกระจายแบบเครื่องแบบผ่าน Multinomial เป็นคู่ได้หรือไม่?

36 bayesian  dirichlet-distribution  conjugate-prior 

อะไรคือความคิดหลักที่เป็นแนวความคิดที่เกี่ยวข้องกับทฤษฎีบท Bayes' ? ฉันไม่ได้ขอการแปลงสัญกรณ์ทางคณิตศาสตร์ที่ซับซ้อน

36 probability  bayesian  theory 

ฉันคิดว่าฉันเข้าใจความคิดทั่วไปของทั้ง VI และ MCMC รวมถึงรสชาติที่หลากหลายของ MCMC เช่นการสุ่มตัวอย่างของกิ๊บส์, Metropolis Hastings เป็นต้นบทความนี้ให้การอธิบายที่ยอดเยี่ยมของทั้งสองวิธี ฉันมีคำถามต่อไปนี้: หากฉันต้องการทำการอนุมานแบบเบย์ทำไมฉันถึงเลือกวิธีหนึ่งเหนืออีกวิธีหนึ่ง ข้อดีและข้อเสียของแต่ละวิธีคืออะไร? ฉันเข้าใจว่านี่เป็นคำถามที่ค่อนข้างกว้าง แต่ข้อมูลเชิงลึกใด ๆ จะได้รับการชื่นชมอย่างมาก

36 machine-learning  bayesian  mcmc  variational-bayes  approximate-inference 

ฉันกำลังดูสไลด์บรรยายในหลักสูตรวิทยาศาสตร์ข้อมูลที่สามารถพบได้ที่นี่: https://github.com/cs109/2015/blob/master/Lectures/01-Introduction.pdf ฉันโชคไม่ดีที่ไม่สามารถดูวิดีโอสำหรับการบรรยายนี้และ ณ จุดหนึ่งบนสไลด์พรีเซนเตอร์มีข้อความต่อไปนี้: หลักการสำคัญบางประการ คิดเหมือนชาว Bayesian ทำเครื่องหมายเหมือนเป็นผู้ใช้บ่อย (การกระทบยอด) ไม่มีใครรู้ว่าสิ่งที่จริงหมายถึงอะไร ฉันมีความรู้สึกว่ามีความเข้าใจที่ดีเกี่ยวกับโรงเรียนแห่งความคิดสองแห่งที่จะรวบรวมจากสิ่งนี้

35 bayesian  data-mining  frequentist